01
Papirintroduksjon
Lasersveising i dyp-penetrasjonsmodus representerer en svært lovende metallsammenføyningsprosess i moderne produksjon; imidlertid hindres dets anvendelse ofte av forekomsten av porøsitetsdefekter. Gitt at poredannelse involverer svært ikke-lineære og multi-koblede fysiske prosesser-og det er vanskelig å overvåke *in situ* innenfor ugjennomsiktige metaller-nøyaktig forutsi porøsitetsdefekter og deres underliggende formasjonsmekanismer, er det fortsatt en formidabel utfordring. Tradisjonelle parametriske studier og maskinlæringsmodeller basert utelukkende på rå sveiseparametere lider av begrensninger med hensyn til generaliseringsevne, nøyaktighet i å forutsi dyptsittende porer og tolkningsmuligheter. For å løse dette kritiske problemet foreslår denne studien et nyskapende rammeverk for fysikk-Informed Deep Learning (PIDL). Ved å integrere mekanistisk modellering med eksperimentelle data, har dette rammeverket som mål å nøyaktig forutsi porøsitetshastigheten under lasersveising av aluminiumslegeringer og å belyse de underliggende fysiske årsakene bak dannelsen.
02
**Studieoversikt**
Denne studien tar for seg spørsmålet om porøsitet ved lasersveising-et problem som stammer fra komplekse fenomener som nøkkelhullustabilitet, smeltebassengdynamikk og størkning-ved å foreslå et nytt prediktivt rammeverk som integrerer multifysisk numerisk simulering med dyp læring. Forskningen begynner med å bruke en eksperimentelt validert multifysikkmodell for å systematisk trekke ut viktige fysiske variabler assosiert med nøkkelhullstabilitet, smeltebassenggeometri, flytende metallstrøm og termiske egenskaper. Basert på dette grunnlaget ble det konstruert en PIDL-modell; sammenlignet med tradisjonelle dyplæringsmodeller trent utelukkende på prosessparametere, oppnådde denne modellen en betydelig reduksjon på 41 % i gjennomsnittlig kvadratfeil (MSE). For å forbedre modelltolkbarheten, syntetiserte forskerne disse fysiske variablene til dimensjonsløse funksjoner med klar fysisk betydning (f.eks. nøkkelhullsforhold, Stokes-tall, etc.). Til slutt, ved å utnytte SHAP-analysen (Shapley Additive Explanations), avslørte studien kvantitativt-for første gang-den hierarkiske betydningen av ulike fysiske faktorer i porøsitetsdannelsesprosessen. Funnene identifiserer nøkkelhullets aspektforhold og strømningsmotstanden drevet av nedadgående smeltestrøm som de to mest kritiske determinantene for porøsitetsdannelse, og gir dermed klare retningslinjer for prosessoptimalisering.
03
Visuell analyse
Figur 1 illustrerer typiske porefordelingsbilder oppnådd under forskjellige sveiseparametere, etter behandling via røntgeninspeksjon og bildegjenkjenningsalgoritmer. Figuren viser at når kombinasjonen av sveiseparametere varierer, oppstår det betydelige forskjeller i mengde, størrelse og fordeling av porene i sveisesømmen; disse porøsitetsdataene fungerer som etiketter for den påfølgende opplæringen av dyplæringsmodeller.
Figur 2 viser et skjematisk diagram av den multifysiske numeriske modellen brukt i denne studien. Ved å løse bevaringsligningene for masse, momentum og energi-og inkorporere en stråle-algoritme-beregner denne modellen nøyaktig de multiple refleksjonene og energiabsorpsjonen til laserstrålen i nøkkelhullet. Figur 2(a) illustrerer diskretiseringen av laserstrålen til tallrike understråler, som hver bærer en bestemt mengde energi; Figur 2(b) viser geometrisk strålemidjen til laseren; og figur 2(c) viser visuelt den komplekse prosessen med flere refleksjoner som gjennomgår av laser-substrålene inne i nøkkelhullet. Denne modellen gir tre-dimensjonal, forbigående informasjon angående nøkkelhullsmorfologi og smeltebassengstrømningsfelt-data som er vanskelige å skaffe eksperimentelt-og gir dermed kritiske inputfunksjoner for konstruksjonen av PIDL-modellen.
Figur 3 presenterer valideringsresultatene til multifysikkmodellen, og sammenligner eksperimentelt målte verdier med modellspådommer for smeltebassengdybde (Fig. 3(a)) og smeltebassenglengde (Fig. 3(b)) under ekstreme prosessparametere. Resultatene viser en sterk overensstemmelse mellom modellprediksjonene og de eksperimentelle dataene; spesifikt faller den relative feilen for prediksjon av smeltebassengdybde innenfor området -6,3 % til 20,9 %, mens feilen for prediksjon av smeltebassenglengde varierer fra -16,9 % til 20,4 %. Disse valideringsresultatene bekrefter den høye nøyaktigheten til den etablerte multifysikkmodellen, og demonstrerer dens evne til å gi pålitelige fysiske variable data for påfølgende dyplæringsmodeller.
